Putra, AriefBramantoWicaksono (2014) Klasifikasi Usia Tanaman Karet (Havea Brasiliensis) Berbasis Citra Kulit Luar Menggunakan Fuzzy Rule Base. Magister thesis, Universitas Brawijaya.
Abstract
Tanaman Karet (Havea Brasiliensis) yang kulit kayunya dapat disadap untuk menghasilkan lateks merupakan komoditi ekspor yang mampu memberikan kontribusi di dalam upaya peningkatan devisa indonesia. Karet di Kalimantan Timur merupakan komoditi tradisional yang sudah relatif lama diusahakan sebagai perkebunan rakyat. Karakteristik tanaman karet adalah tanaman tahunan yang dapat tumbuh sampai umur 30 tahun, dengan tinggi tanaman dapat mencapai 15-25 meter Tanaman ini memiliki masa belum menghasilkan selama 5 tahun (TBM) dan sudah mulai layak disadap pada awal tahun ke enam. Secara ekonomis masa usia sadap selama 15-20 tahun atau disebut juga usia produktif. Struktur kulit kayu lebih kompleks dibandingkan dengan kayu. Pengamatan kulit dilakukan secara makroskopis dan mikroskopis. Pengamatan makroskopis dengan menggunakan loupe perbesaran 8 kali, meliputi warna kulit kayu, tekstur, ketebalan dan penampakan bidang lintang sedangkan pengamatan secara mikroskopis hanya meliputi dimensi serat . Konsep dasar segmentasi citra dibagi beberapa orientasi, yaitu contour oriented, pixel oriented, region oriented, color oriented dan kombinasi diantaranya. Penelitian yang telah dilakukan oleh peneliti lain sebelumnya menjelaskan Fuzzy C-Means digunakan untuk mengklaster citra menjadi tiga bagian dengan menggunakan pengukuran kemiripan matriks ecludian distance (T Saikumar & P Yagundar, 2011) dan Pengelompokan menggunakan metode Fuzzy C-Means dan dievaluasi menggunakan metode overall V-Measure dan validitas pengklasteran telah diaplikasikan untuk klasifikasi citra batik (AA Pratama & N Suciwati, 2012). Untuk menentukan kesanggupan tanaman sadap berdasarkan usia belum pernah dilakukan, oleh karena itu perlu dilakukan suatu penelitian tentang penentuan klasifikasi usia produktifitas dengan bantuan sensor kamera digital dan teknik analisa citra menggunakan citra kulit luar tanaman karet. Untuk memberikan solusi terhadap permasalahan tersebut dilakukan penelitian klasifikasi usia produktif dengan analisis fitur menggunakan fuzzy rule base. Berdasarkan acuan penelitian yang berkaitan tentang klasifikasi pada citra batik dan konsep segmentasi berbasis cluster, maka pada penelitian ini dilakukan ekstraksi fitur, metode yang digunakan adalah Fuzzy Centroid Mean (FCM) clustering dan Virtual Center Of Gravity (VCG). Hasil yang diharapkan adalah sebuah keputusan untuk membentuk susunan klasifikasi usia pada tanaman karet yang diuji dengan menggunakan metode unjuk kerja False Acceptance Rate dan False Rejected Rate . Jenis data yang akan digunakan adalah berupa data primer yaitu dengan cara melakukan proses akuisisi data menggunakan sensor kamera digital. Data Generated by Foxit PDF Creator Foxit Software diperoleh peneliti di lokasi perkebunan rakyat milik petani karet di kecamatan Marang Kayu Kabupaten Kutai Kertenagara Provinsi Kalimantan Timur. Variabel data yang digunakan dalam penelitian ini adalah format citra,komponen prototype fitur, komponen pengujian citra uji dengan prototype fitur, dan komponen unjuk kerja. Analisis data pada penelitian ini dibagi menjadi dua tahap yaitu untuk data pelatihan atau data yang digunakan untuk membangun prototype fitur dan data pengujian yang terdiri dari valid image dan forgery image. Penelitian secara eksperimen dengan kajian simulatif dilakukan pada bagian segmentasi di tahapan pre processing, bagian ekstraksi fitur di tahapan image analysis, dan bagian klasifikasi menggunakan fuzzy logic di tahapan decision. Gagasan baru yang coba diutarakan dalam penelitian ini yang diletakan pada metode ekstraksi fitur yaitu VCG (Virtual Center Of Gravity). Solusi masalah ini terdiri dari dua tahapan utama yaitu Membangun prototype fitur dan Menguji citra uji atau yang selanjutnya disebut Guess Data Image (GDI) dengan prototype fitur. Citra yang diolah berasal dari data primary yang diakuisisi kemudian dikumpulkan dalam suatu data collection, selanjutnya data citra dijital tersebut diolah pada tahap pre-processing. Pada basis warna grayscale, segmentasi menggunakan metode fuzzy cluster yaitu FCM (Fuzzy C-Mean) dan pada basis kontur menggunakan metode deteksi tepi yaitu menggunakan canny edge detection. Pada tahap proses pemilihan data terbaik (best sampling) bertujuan melakukan eliminasi dari sejumlah citra dijital asli. Pada tahap ekstrasi fitur, masing masing basis mengeluarkan fitur khusus yang berupa Centroid Value Dan Virtual Coordinat Center Of Gravity. Pengujian pengenalan pola yang digunakan untuk proses klasifikasi pada tahap keputusan menggunakan fuzzy rule base, dimana GDI (Guess Data Image) yang diperoleh akan digunakan sebagai data uji raw , kemudian melalui tahap pre-proccessing dan pattern segmentation, fitur dari Guess Image Pattern (GIP) diperoleh melalui proses ekstraksi. Fitur yang diperoleh kemudian dikenali dan diuji kemiripan menggunakan prototype fitur yang telah dibangun. Unjuk kerja menggunakan metode FAR (False Acceptance Rate) dan FRR (False Rejectance Rate). Percobaan yang dilakukan dalam pembangunan prototype ini menggunakan 10 data kategori pra produktif, 10 data kategori produktif dan 6 data kategori paska produktif. Data citra latih kemudian disimpan dengan variabel PRA,PRO dan PAS adalah hasil pre proccessing berbasis warna abu-abu (Grayscale Base), sedangkan variabel bwPRA, bwPRO dan bwPAS adalah hasil pre processing berbasis warna hitam putih (Contour Base). Hasil pada tahapan ini adalah diperoleh citra pelatihan untuk klasifikasi pra produktif, produktif dan paska produktif berbasis abu-abu dan hitam putih yang disimpan dalam workspace. Data citra yang siap dilatih akan melalui tahapan pemilihan data terbaik, tujuannya adalah melakukan optimasi komputasi pada pelatihan untuk mendapatkan ciri terbaik atau disebut juga ciri yang memiliki tingka kemiripan dan kedekatan yang sangat rapat.Tiga pilihan referensi dalam melakukan seleksi Generated by Foxit PDF Creator data latih yaitu Color Base Reference, Contour Base Reference dan Common Reference. Tiga data citra pelatihan akan diekstraksi menggunakan metode VCG sehingga menghasilkan representasi WB dan WG untuk setiap citra pada masing-masing kategori, dan range distance antara nilai minimum dan maximum VCG dan memperoleh common VCG. Hasil percobaan dari prototype ciri VCG adalah Representasi feature space Gray terhadap background pada color base terlihat memiliki irisan di kategori Pra produktif dan Produktif serta Pra produktif dan Paska produktif, sedangkan pada contour base irisan terjadi di setiap kategori dan Representasi feature space Black terhadap background. Tiga data citra pelatihan selanjutnya juga akan diekstraksi menggunakan metode FCM sehingga menghasilkan nilai centroid yang diurutkan berdasarkan jumlah anggota. Dan menghasilkan centroid yang memiliki minimum member cluster dan maximum member cluster. Hasil percobaan dari prototype ciri FCM adalah sampel terbaik yang diperoleh memiliki tingkat kerapatan intensitas pixel yang cukup tinggi, oleh karenanya prototype FCM yang ditunjukan dalam gambar tersebut memberikan batasan interval intensitas pixel berdasarkan jumlah anggota cluster yang terkecil dan terbesar. Data pengujian yang digunakan dalam penelitian ini sejumlah 26 buah, yang terdiri dari 10 buah data kategori pra produktif, 10 buah data kategori produktif, dan 6 buah data uji kategori paska produktif. Data pengujian dikelompokan menjadi dua yaitu data uji asli (valid image) dan data uji palsu (forgery image) dimana Valid image uji maksimum terdiri dari 10 data untuk diuji dengan kategori pra produktif, 10 data untuk diuji dengan kategori produktif, dan 6 data untuk diuji dengan kategori paska produkti dan Forgery Image uji maksimum terdiri dari 16 data untuk diuji dengan kategori pra produktif, 16 data untuk diuji dengan kategori produktif, dan 20 data untuk diuji dengan kategori paska produktif. Proses klasifikasi dilakukan melalui tiga jenis pengujian, yaitu
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | TES/621.367/p/KLA/041402102 |
| Subjects: | 600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting |
| Divisions: | S2/S3 > Magister Teknik Elektro, Fakultas Teknik |
| Depositing User: | Hasbi |
| Date Deposited: | 10 Apr 2014 14:00 |
| Last Modified: | 10 Feb 2022 03:16 |
| URI: | http://repository.ub.ac.id/id/eprint/158658 |
Actions (login required)
 |
View Item |